全文搜索引擎ElasticSearch入门教程

全文搜索 属于最常见的需求，开源的 ElasticSearch (以下简称 Elastic)是目前全文搜索引擎的首选。

它可以快速地储存、搜索和分析海量数据。维基百科、Stack Overflow、Github 都采用它。

Elastic 的底层是开源库 Lucene 。但是，你没法直接用 Lucene，必须自己写代码去调用它的接口。Elastic 是 Lucene 的封装，提供了 REST API 的操作接口，开箱即用。

本文从零开始，讲解如何使用 Elastic 搭建自己的全文搜索引擎。每一步都有详细的说明，大家跟着做就能学会。

一、安装

Elastic 需要 Java 8 环境。如果你的机器还没安装 Java，可以参考 这篇文章 ，注意要保证环境变量 JAVA_HOME 正确设置。

安装完 Java，就可以跟着 官方文档 安装 Elastic。直接下载压缩包比较简单。

$ wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.1.zip  




$ unzip elasticsearch-5.5.1.zip  



$ cd elasticsearch-5.5.1/ 

接着，进入解压后的目录，运行下面的命令，启动 Elastic。

$ ./bin/elasticsearch 

如果这时 报错 "max virtual memory areas vm.max map count [65530] is too low"，要运行下面的命令。

$ sudo sysctl -w vm.max_map_count=262144 

如果一切正常，Elastic 就会在默认的9200端口运行。这时，打开另一个命令行窗口，请求该端口，会得到说明信息。

$ curl localhost:9200  



{ 


  "name" : "atntrTf", 


  "cluster_name" : "elasticsearch", 


  "cluster_uuid" : "tf9250XhQ6ee4h7YI11anA", 


  "version" : { 


    "number" : "5.5.1", 


    "build_hash" : "19c13d0", 


    "build_date" : "2017-07-18T20:44:24.823Z", 


    "build_snapshot" : false, 


    "lucene_version" : "6.6.0" 


  }, 


  "tagline" : "You Know, for Search" 


} 

上面代码中，请求9200端口，Elastic 返回一个 JSON 对象，包含当前节点、集群、版本等信息。

按下 Ctrl + C，Elastic 就会停止运行。

默认情况下，Elastic 只允许本机访问，如果需要远程访问，可以修改 Elastic 安装目录的 config/elasticsearch.yml 文件，去掉 network.host 的注释，将它的值改成 0.0.0.0 ，然后重新启动 Elastic。

network.host: 0.0.0.0 

上面代码中，设成 0.0.0.0 让任何人都可以访问。线上服务不要这样设置，要设成具体的 IP。

二、基本概念

2.1 Node 与 Cluster

Elastic 本质上是一个分布式数据库，允许多台服务器协同工作，每台服务器可以运行多个 Elastic 实例。

单个 Elastic 实例称为一个节点(node)。一组节点构成一个集群(cluster)。

2.2 Index

Elastic 会索引所有字段，经过处理后写入一个反向索引(Inverted Index)。查找数据的时候，直接查找该索引。

所以，Elastic 数据管理的顶层单位就叫做 Index(索引)。它是单个数据库的同义词。每个 Index (即数据库)的名字必须是小写。

下面的命令可以查看当前节点的所有 Index。

$ curl -X GET 'http://localhost:9200/_cat/indices?v' 

2.3 Document

Index 里面单条的记录称为 Document(文档)。许多条 Document 构成了一个 Index。

Document 使用 JSON 格式表示，下面是一个例子。

{ 


  "user": "张三", 


  "title": "工程师", 


  "desc": "数据库管理" 


} 

同一个 Index 里面的 Document，不要求有相同的结构(scheme)，但是最好保持相同，这样有利于提高搜索效率。

2.4 Type

Document 可以分组，比如 weather 这个 Index 里面，可以按城市分组(北京和上海)，也可以按气候分组(晴天和雨天)。这种分组就叫做 Type，它是虚拟的逻辑分组，用来过滤 Document。

不同的 Type 应该有相似的结构(schema)，举例来说， id 字段不能在这个组是字符串，在另一个组是数值。这是与关系型数据库的表的 一个区别 。性质完全不同的数据(比如 products 和 logs )应该存成两个 Index，而不是一个 Index 里面的两个 Type(虽然可以做到)。

下面的命令可以列出每个 Index 所包含的 Type。

$ curl 'localhost:9200/_mapping?pretty=true' 

根据 规划 ，Elastic 6.x 版只允许每个 Index 包含一个 Type，7.x 版将会彻底移除 Type。

三、新建和删除 Index

新建 Index，可以直接向 Elastic 服务器发出 PUT 请求。下面的例子是新建一个名叫 weather 的 Index。

$ curl -X PUT 'localhost:9200/weather' 

服务器返回一个 JSON 对象，里面的 acknowledged 字段表示操作成功。

{ 


  "acknowledged":true, 


  "shards_acknowledged":true 


} 

然后，我们发出 DELETE 请求，删除这个 Index。

$ curl -X DELETE 'localhost:9200/weather' 

四、中文分词设置

首先，安装中文分词插件。这里使用的是 ik ，也可以考虑其他插件(比如 smartcn )。

$ ./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.5.1/elasticsearch-analysis-ik-5.5.1.zip 

上面代码安装的是5.5.1版的插件，与 Elastic 5.5.1 配合使用。

接着，重新启动 Elastic，就会自动加载这个新安装的插件。

然后，新建一个 Index，指定需要分词的字段。这一步根据数据结构而异，下面的命令只针对本文。基本上，凡是需要搜索的中文字段，都要单独设置一下。

$ curl -X PUT 'localhost:9200/accounts' -d ' 


{ 


  "mappings": { 


    "person": { 


      "properties": { 


        "user": { 


          "type": "text", 


          "analyzer": "ik_max_word", 


          "search_analyzer": "ik_max_word" 


        }, 


        "title": { 


          "type": "text", 


          "analyzer": "ik_max_word", 


          "search_analyzer": "ik_max_word" 


        }, 


        "desc": { 


          "type": "text", 


          "analyzer": "ik_max_word", 


          "search_analyzer": "ik_max_word" 


        } 


      } 


    } 


  } 


}' 

上面代码中，首先新建一个名称为 accounts 的 Index，里面有一个名称为 person 的 Type。 person 有三个字段。

• user
• title
• desc

这三个字段都是中文，而且类型都是文本(text)，所以需要指定中文分词器，不能使用默认的英文分词器。

Elastic 的分词器称为 analyzer 。我们对每个字段指定分词器。

"user": { 


  "type": "text", 


  "analyzer": "ik_max_word", 


  "search_analyzer": "ik_max_word" 


} 

上面代码中， analyzer 是字段文本的分词器， search_analyzer 是搜索词的分词器。 ik_max_word 分词器是插件 ik 提供的，可以对文本进行最大数量的分词。

五、数据操作

5.1 新增记录

向指定的 /Index/Type 发送 PUT 请求，就可以在 Index 里面新增一条记录。比如，向 /accounts/person 发送请求，就可以新增一条人员记录。

$ curl -X PUT 'localhost:9200/accounts/person/1' -d ' 


{ 


  "user": "张三", 


  "title": "工程师", 


  "desc": "数据库管理" 


}' 

服务器返回的 JSON 对象，会给出 Index、Type、Id、Version 等信息。

{ 


  "_index":"accounts", 


  "_type":"person", 


  "_id":"1", 


  "_version":1, 


  "result":"created", 


  "_shards":{"total":2,"successful":1,"failed":0}, 


  "created":true 


} 

如果你仔细看，会发现请求路径是 /accounts/person/1 ，最后的 1 是该条记录的 Id。它不一定是数字，任意字符串(比如 abc )都可以。

新增记录的时候，也可以不指定 Id，这时要改成 POST 请求。

$ curl -X POST 'localhost:9200/accounts/person' -d ' 


{ 


  "user": "李四", 


  "title": "工程师", 


  "desc": "系统管理" 


}' 

上面代码中，向 /accounts/person 发出一个 POST 请求，添加一个记录。这时，服务器返回的 JSON 对象里面， _id 字段就是一个随机字符串。

{ 


  "_index":"accounts", 


  "_type":"person", 


  "_id":"AV3qGfrC6jMbsbXb6k1p", 


  "_version":1, 


  "result":"created", 


  "_shards":{"total":2,"successful":1,"failed":0}, 


  "created":true 


} 

注意，如果没有先创建 Index(这个例子是 accounts )，直接执行上面的命令，Elastic 也不会报错，而是直接生成指定的 Index。所以，打字的时候要小心，不要写错 Index 的名称。

5.2 查看记录

向 /Index/Type/Id 发出 GET 请求，就可以查看这条记录。

$ curl 'localhost:9200/accounts/person/1?pretty=true' 

上面代码请求查看 /accounts/person/1 这条记录，URL 的参数 pretty=true 表示以易读的格式返回。

返回的数据中， found 字段表示查询成功， _source 字段返回原始记录。

{ 


  "_index" : "accounts", 


  "_type" : "person", 


  "_id" : "1", 


  "_version" : 1, 


  "found" : true, 


  "_source" : { 


    "user" : "张三", 


    "title" : "工程师", 


    "desc" : "数据库管理" 


  } 


} 

如果 Id 不正确，就查不到数据， found 字段就是 false 。

$ curl 'localhost:9200/weather/beijing/abc?pretty=true'  



{ 


  "_index" : "weather", 


  "_type" : "beijing", 


  "_id" : "abc", 


  "found" : false 


} 

5.3 删除记录

删除记录就是发出 DELETE 请求。

$ curl -X DELETE 'localhost:9200/accounts/person/1' 

这里先不要删除这条记录，后面还要用到。

5.4 更新记录

更新记录就是使用 PUT 请求，重新发送一次数据。

$ curl -X PUT 'localhost:9200/accounts/person/1' -d ' 


{ 


    "user" : "张三", 


    "title" : "工程师", 


    "desc" : "数据库管理，软件开发" 


}'  


 


{ 


  "_index":"accounts", 


  "_type":"person", 


  "_id":"1", 


  "_version":2, 


  "result":"updated", 


  "_shards":{"total":2,"successful":1,"failed":0}, 


  "created":false 


} 

上面代码中，我们将原始数据从"数据库管理"改成"数据库管理，软件开发"。 返回结果里面，有几个字段发生了变化。

"_version" : 2, 


"result" : "updated", 


"created" : false 

可以看到，记录的 Id 没变，但是版本(version)从 1 变成 2 ，操作类型(result)从 created 变成 updated ， created 字段变成 false ，因为这次不是新建记录。

六、数据查询

6.1 返回所有记录

使用 GET 方法，直接请求 /Index/Type/_search ，就会返回所有记录。

$ curl 'localhost:9200/accounts/person/_search'  



{ 


  "took":2, 


  "timed_out":false, 


  "_shards":{"total":5,"successful":5,"failed":0}, 


  "hits":{ 


    "total":2, 


    "max_score":1.0, 


    "hits":[ 


      { 


        "_index":"accounts", 


        "_type":"person", 


        "_id":"AV3qGfrC6jMbsbXb6k1p", 


        "_score":1.0, 


        "_source": { 


          "user": "李四", 


          "title": "工程师", 


          "desc": "系统管理" 


        } 


      }, 


      { 


        "_index":"accounts", 


        "_type":"person", 


        "_id":"1", 


        "_score":1.0, 


        "_source": { 


          "user" : "张三", 


          "title" : "工程师", 


          "desc" : "数据库管理，软件开发" 


        } 


      } 


    ] 


  } 


} 

上面代码中，返回结果的 took 字段表示该操作的耗时(单位为毫秒)， timed_out 字段表示是否超时， hits 字段表示命中的记录，里面子字段的含义如下。

• total ：返回记录数，本例是2条。
• max_score ：最高的匹配程度，本例是 1.0 。
• hits ：返回的记录组成的数组。

返回的记录中，每条记录都有一个 _score 字段，表示匹配的程序，默认是按照这个字段降序排列。

6.2 全文搜索

Elastic 的查询非常特别，使用自己的 查询语法 ，要求 GET 请求带有数据体。

$ curl 'localhost:9200/accounts/person/_search'  -d ' 


{ 


  "query" : { "match" : { "desc" : "软件" }} 


}' 

上面代码使用 Match 查询 ，指定的匹配条件是 desc 字段里面包含"软件"这个词。返回结果如下。

{ 


  "took":3, 


  "timed_out":false, 


  "_shards":{"total":5,"successful":5,"failed":0}, 


  "hits":{ 


    "total":1, 


    "max_score":0.28582606, 


    "hits":[ 


      { 


        "_index":"accounts", 


        "_type":"person", 


        "_id":"1", 


        "_score":0.28582606, 


        "_source": { 


          "user" : "张三", 


          "title" : "工程师", 


          "desc" : "数据库管理，软件开发" 


        } 


      } 


    ] 


  } 


} 

Elastic 默认一次返回10条结果，可以通过 size 字段改变这个设置。

$ curl 'localhost:9200/accounts/person/_search'  -d ' 


{ 


  "query" : { "match" : { "desc" : "管理" }}, 


  "size": 1 


}' 

上面代码指定，每次只返回一条结果。

还可以通过 from 字段，指定位移。

$ curl 'localhost:9200/accounts/person/_search'  -d ' 


{ 


  "query" : { "match" : { "desc" : "管理" }}, 


  "from": 1, 


  "size": 1 


}' 

上面代码指定，从位置1开始(默认是从位置0开始)，只返回一条结果。

6.3 逻辑运算

如果有多个搜索关键字， Elastic 认为它们是 or 关系。

$ curl 'localhost:9200/accounts/person/_search'  -d ' 


{ 


  "query" : { "match" : { "desc" : "软件 系统" }} 


}' 

上面代码搜索的是 软件 or 系统 。

如果要执行多个关键词的 and 搜索，必须使用 布尔查询 。

$ curl 'localhost:9200/accounts/person/_search'  -d ' 


{ 


  "query": { 


    "bool": { 


      "must": [ 


        { "match": { "desc": "软件" } }, 


        { "match": { "desc": "系统" } } 


      ] 


    } 


  } 


}' 

七、参考链接